Análisis Exploratorio de Defunciones en Guatemala 2011-2021

Proyecto 1 - Minería de Datos CC3074

1 Introducción

1.1 Contexto

El presente documento constituye el análisis exploratorio de datos de defunciones registradas en Guatemala durante el período 2011-2021. Los datos provienen del Instituto Nacional de Estadística (INE) y contienen información detallada sobre cada defunción registrada oficialmente en el país.

---

2 Carga y Consolidación de Datos

archivos <- c(
  "lSg2Lmx2sWne8RcD9hM6guU73I9eQW8B.csv", 
  "QnZLxknSHwbFfpJ8I1frbkoIKfz1BBjd.csv",
  "iY2sN6q3d4ihJpgzr7KgJpQAiEn0bo60.csv", 
  "DX2BmYU5m4JfPRhrFHwDRDEs49V7fN5I.csv",
  "bb6vENc1cmPlBToSEEr6HESWdZk6tHFs.csv", 
  "20171204152107xRp35JuZin7nN2x88Me8MVcQvyZCnu5K.csv",
  "20181226142907xRp35JuZin7nN2x88Me8MVcQvyZCnu5K.csv", 
  "201911291520069Odm3oxU9mTY58hkborwzylm7MJop05q.csv",
  "20201201154851el8puh8r6zutgVKBoRIbazWluzIr25A3.csv", 
  "20210930225530FopQpWf6BcBWj8taVS3Q3mRKxgDsvwPe.csv"
)

datos_raw <- archivos %>%
  map_dfr(~ read_csv(.x, col_types = cols(.default = "c"))) %>%
  clean_names()

cat("Datos cargados:", nrow(datos_raw), "observaciones ×", ncol(datos_raw), "variables\n")

## Datos cargados: 809296 observaciones × 35 variables

---

3 Descripción General del Dataset

3.1 Dimensiones del Dataset

data.frame(
  Característica = c("Observaciones", "Variables", "Período"),
  Valor = c(format(nrow(datos_raw), big.mark = ","),
            ncol(datos_raw),
            "2011-2021")
) %>%
  kable(caption = "Dimensiones del Dataset") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Dimensiones del Dataset

Característica	Valor
Observaciones	809,296
Variables	35
Período	2011-2021

3.2 Tipos de Variables

vars_numericas_esperadas <- c("anoreg", "mesreg", "diaocu", "edadif")
vars_categoricas <- setdiff(names(datos_raw), vars_numericas_esperadas)

data.frame(
  Tipo = c("Numéricas", "Categóricas", "Total"),
  Cantidad = c(length(vars_numericas_esperadas), length(vars_categoricas), ncol(datos_raw))
) %>%
  kable(caption = "Tipos de Variables") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Tipos de Variables

Tipo	Cantidad
Numéricas	4
Categóricas	31
Total	35

3.3 Diccionario de Variables Principales

tribble(
  ~Variable, ~Descripción,
  "anoreg", "Año de registro",
  "mesreg", "Mes de registro",
  "depreg", "Departamento de registro",
  "depocu", "Departamento de ocurrencia",
  "sexo", "Sexo del fallecido",
  "edadif", "Edad del fallecido",
  "perdif", "Período de edad",
  "caudef", "Código CIE-10",
  "asist", "Asistencia médica",
  "ocur", "Lugar de ocurrencia"
) %>%
  kable(caption = "Diccionario de Variables Principales") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Diccionario de Variables Principales

Variable	Descripción
anoreg	Año de registro
mesreg	Mes de registro
depreg	Departamento de registro
depocu	Departamento de ocurrencia
sexo	Sexo del fallecido
edadif	Edad del fallecido
perdif	Período de edad
caudef	Código CIE-10
asist	Asistencia médica
ocur	Lugar de ocurrencia

3.4 Valores Faltantes

na_summary <- datos_raw %>%
  summarise(across(everything(), ~sum(is.na(.) | . == "" | . == " ") / n() * 100)) %>%
  pivot_longer(everything(), names_to = "Variable", values_to = "Porcentaje_NA") %>%
  arrange(desc(Porcentaje_NA)) %>%
  filter(Porcentaje_NA > 0)

na_summary %>%
  head(15) %>%
  mutate(Porcentaje_NA = paste0(round(Porcentaje_NA, 2), "%")) %>%
  kable(caption = "Top 15 Variables con Valores Faltantes",
        col.names = c("Variable", "% Faltantes")) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Top 15 Variables con Valores Faltantes

Variable	% Faltantes
mupreg	91.06%
mupocu	91.06%
anoocu	91.06%
caudef_descrip	90.53%
getdif	82.08%
ocudif	82.08%
anoocu_2	37%
areag	32.7%
puedif	17.92%
ciuodif	17.92%
mupreg_2	8.94%
mupocu_2	8.94%
pnadif	8.94%
predif	8.94%

na_summary %>%
  head(20) %>%
  ggplot(aes(x = reorder(Variable, Porcentaje_NA), y = Porcentaje_NA)) +
  geom_col(fill = "coral", alpha = 0.8) +
  coord_flip() +
  labs(title = "Variables con Valores Faltantes", x = "Variable", y = "% Faltantes") +
  theme_minimal()

---

4 Limpieza y Transformación

datos <- datos_raw %>%
  mutate(across(where(is.character), ~ str_to_upper(stri_trans_general(.x, "Latin-ASCII")))) %>%
  mutate(across(c(anoreg, mesreg, diaocu, edadif), as.numeric)) %>%
  mutate(edad_anios = case_when(
    str_detect(perdif, "ANO") ~ edadif,
    str_detect(perdif, "MES") ~ edadif / 12,
    str_detect(perdif, "DIA") ~ edadif / 365,
    str_detect(perdif, "HORA") ~ edadif / 8760,
    TRUE ~ NA_real_
  )) %>%
  mutate(causa_capitulo = str_sub(caudef, 1, 1)) %>%
  filter(edad_anios <= 115 | is.na(edad_anios))

cat("Registros después de limpieza:", format(nrow(datos), big.mark = ","), "\n")

## Registros después de limpieza: 809,292

---

5 Exploración de Variables Numéricas

5.1 Resumen Estadístico

datos %>%
  select(anoreg, mesreg, diaocu, edadif, edad_anios) %>%
  summarise(across(where(is.numeric),
                   list(
                     N = ~sum(!is.na(.)),
                     Media = ~mean(., na.rm = TRUE),
                     Mediana = ~median(., na.rm = TRUE),
                     Desv_Std = ~sd(., na.rm = TRUE),
                     Min = ~min(., na.rm = TRUE),
                     Q1 = ~quantile(., 0.25, na.rm = TRUE),
                     Q3 = ~quantile(., 0.75, na.rm = TRUE),
                     Max = ~max(., na.rm = TRUE)
                   ))) %>%
  pivot_longer(everything(),
               names_to = c("Variable", "Estadística"),
               names_sep = "_(?=[^_]+$)",
               values_to = "Valor") %>%
  mutate(Valor = round(Valor, 2)) %>%
  pivot_wider(names_from = Estadística, values_from = Valor) %>%
  kable(caption = "Resumen estadístico de variables numéricas") %>%
  kable_styling(full_width = FALSE) %>%
  scroll_box(width = "100%")

Resumen estadístico de variables numéricas

Variable	N	Media	Mediana	Std	Min	Q1	Q3	Max
anoreg	809292	2015.74	2016	NA	2011	2013	2018	2021
anoreg_Desv	NA	NA	NA	2.89	NA	NA	NA	NA
mesreg	0	NaN	NA	NA	Inf	NA	NA	-Inf
mesreg_Desv	NA	NA	NA	NA	NA	NA	NA	NA
diaocu	809292	15.67	16	NA	1	8	23	31
diaocu_Desv	NA	NA	NA	8.82	NA	NA	NA	NA
edadif	802793	54.14	61	NA	0	32	78	115
edadif_Desv	NA	NA	NA	28.11	NA	NA	NA	NA
edad_anios	802793	53.63	61	NA	0	32	78	115
edad_anios_Desv	NA	NA	NA	28.96	NA	NA	NA	NA

5.2 Análisis de Edad

datos %>%
  filter(!is.na(edad_anios)) %>%
  summarise(
    N = n(),
    Media = mean(edad_anios),
    Mediana = median(edad_anios),
    Desv_Std = sd(edad_anios),
    Q1 = quantile(edad_anios, 0.25),
    Q3 = quantile(edad_anios, 0.75),
    Mínimo = min(edad_anios),
    Máximo = max(edad_anios)
  ) %>%
  pivot_longer(everything(), names_to = "Estadística", values_to = "Valor") %>%
  mutate(Valor = round(Valor, 2)) %>%
  kable(caption = "Estadísticas de Edad") %>%
  kable_styling(full_width = FALSE)

Estadísticas de Edad

Estadística	Valor
N	802793.00
Media	53.63
Mediana	61.00
Desv_Std	28.96
Q1	32.00
Q3	78.00
Mínimo	0.00
Máximo	115.00

datos %>%
  filter(!is.na(edad_anios), !is.na(sexo)) %>%
  ggplot(aes(x = edad_anios, fill = sexo)) +
  geom_histogram(bins = 50, alpha = 0.6, position = "identity") +
  scale_fill_manual(values = c("HOMBRE" = "#2c7bb6", "MUJER" = "#d7191c"), name = "Sexo") +
  labs(title = "Distribución de Edad por Sexo", x = "Edad (Años)", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "top")

## Normalidad (Edad)

x <- datos %>% filter(!is.na(edad_anios)) %>% pull(edad_anios)

# QQ-plot
qqnorm(x)
qqline(x)

# Shapiro en muestra (Shapiro no conviene con n muy grande)
set.seed(123)
xm <- sample(x, size = min(length(x), 5000))
shapiro.test(xm)

## 
##  Shapiro-Wilk normality test
## 
## data:  xm
## W = 0.91889, p-value < 2.2e-16

datos %>%
  filter(!is.na(edad_anios), !is.na(sexo)) %>%
  ggplot(aes(x = sexo, y = edad_anios, fill = sexo)) +
  geom_boxplot(alpha = 0.7, outlier.alpha = 0.3) +
  scale_fill_manual(values = c("HOMBRE" = "#2c7bb6", "MUJER" = "#d7191c")) +
  stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "yellow") +
  labs(title = "Boxplot de Edad por Sexo", x = "Sexo", y = "Edad (Años)") +
  theme_minimal() +
  theme(legend.position = "none")

5.3 Evolución Temporal

datos %>%
  count(anoreg) %>%
  ggplot(aes(x = anoreg, y = n)) +
  geom_line(color = "darkblue", size = 1.5) +
  geom_point(color = "darkblue", size = 4) +
  geom_text(aes(label = comma(n)), vjust = -0.8, size = 3.5) +
  scale_x_continuous(breaks = seq(min(datos$anoreg, na.rm = TRUE), 
                                   max(datos$anoreg, na.rm = TRUE), 1)) +
  scale_y_continuous(labels = comma) +
  labs(title = "Evolución de Defunciones por Año", x = "Año", y = "Defunciones") +
  theme_minimal()

datos %>%
  filter(!is.na(edad_anios), !is.na(anoreg)) %>%
  group_by(anoreg) %>%
  summarise(edad_promedio = mean(edad_anios), edad_mediana = median(edad_anios)) %>%
  ggplot(aes(x = anoreg, y = edad_promedio)) +
  geom_line(color = "darkgreen", size = 1.5) +
  geom_point(color = "darkgreen", size = 4) +
  geom_line(aes(y = edad_mediana), color = "orange", size = 1.5, linetype = "dashed") +
  scale_x_continuous(breaks = seq(min(datos$anoreg, na.rm = TRUE), 
                                   max(datos$anoreg, na.rm = TRUE), 1)) +
  labs(title = "Edad Promedio de Fallecimiento por Año",
       subtitle = "Sólida: Media | Punteada: Mediana",
       x = "Año", y = "Edad (Años)") +
  theme_minimal()

datos %>%
  filter(!is.na(mesreg)) %>%
  count(mesreg) %>%
  mutate(mes_nombre = month.name[mesreg]) %>%
  ggplot(aes(x = reorder(mes_nombre, mesreg), y = n)) +
  geom_col(fill = "steelblue", alpha = 0.8) +
  scale_y_continuous(labels = comma) +
  labs(title = "Distribución por Mes de Registro", x = "Mes", y = "Frecuencia") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

---

6 Exploración de Variables Categóricas

6.1 Sexo

tabla_sexo <- datos %>%
  count(sexo) %>%
  drop_na() %>%
  mutate(porcentaje = paste0(round(n / sum(n) * 100, 2), "%"))

tabla_sexo %>%
  kable(caption = "Distribución por Sexo",
        col.names = c("Sexo", "Frecuencia", "Porcentaje"),
        format.args = list(big.mark = ",")) %>%
  kable_styling(full_width = FALSE)

Distribución por Sexo

Sexo	Frecuencia	Porcentaje
HOMBRE	454,898	56.21%
MUJER	354,394	43.79%

tabla_sexo %>%
  ggplot(aes(x = sexo, y = n, fill = sexo)) +
  geom_col(alpha = 0.8) +
  geom_text(aes(label = comma(n)), vjust = -0.5, size = 5) +
  scale_fill_manual(values = c("HOMBRE" = "#2c7bb6", "MUJER" = "#d7191c")) +
  scale_y_continuous(labels = comma) +
  labs(title = "Distribución por Sexo", x = "Sexo", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

6.2 Área Geográfica

datos %>%
  count(areag) %>%
  drop_na() %>%
  mutate(porcentaje = paste0(round(n / sum(n) * 100, 2), "%")) %>%
  kable(caption = "Distribución por Área",
        col.names = c("Área", "Frecuencia", "Porcentaje"),
        format.args = list(big.mark = ",")) %>%
  kable_styling(full_width = FALSE)

Distribución por Área

Área	Frecuencia	Porcentaje
IGNORADO	10,171	1.87%
RURAL	239,386	43.95%
URBANO	295,064	54.18%

6.3 Asistencia Médica

datos %>%
  count(asist) %>%
  drop_na() %>%
  arrange(desc(n)) %>%
  head(10) %>%
  mutate(porcentaje = paste0(round(n / sum(n) * 100, 2), "%")) %>%
  kable(caption = "Top 10 - Asistencia Médica",
        col.names = c("Asistencia", "Frecuencia", "Porcentaje"),
        format.args = list(big.mark = ",")) %>%
  kable_styling()

Top 10 - Asistencia Médica

Asistencia	Frecuencia	Porcentaje
NINGUNA	397,807	49.15%
MEDICA	380,022	46.96%
EMPIRICA	18,318	2.26%
IGNORADO	9,482	1.17%
PARAMEDICA	3,028	0.37%
COMADRONA	635	0.08%

datos %>%
  count(asist) %>%
  drop_na() %>%
  arrange(desc(n)) %>%
  head(10) %>%
  ggplot(aes(x = reorder(asist, n), y = n)) +
  geom_col(fill = "darkgreen", alpha = 0.8) +
  geom_text(aes(label = comma(n)), hjust = -0.2, size = 3.5) +
  coord_flip() +
  scale_y_continuous(labels = comma) +
  labs(title = "Top 10 - Asistencia Médica", x = "Asistencia", y = "Frecuencia") +
  theme_minimal()

6.4 Lugar de Ocurrencia

datos %>%
  count(ocur) %>%
  drop_na() %>%
  mutate(porcentaje = paste0(round(n / sum(n) * 100, 2), "%")) %>%
  kable(caption = "Lugar de Ocurrencia",
        col.names = c("Lugar", "Frecuencia", "Porcentaje"),
        format.args = list(big.mark = ",")) %>%
  kable_styling()

Lugar de Ocurrencia

Lugar	Frecuencia	Porcentaje
CENTRO DE SALUD	2,221	0.27%
DOMICILIO	492,727	60.88%
HOSPITAL PRIVADO	22,830	2.82%
HOSPITAL PUBLICO	167,440	20.69%
IGNORADO	45,301	5.6%
LUGAR DE TRABAJO	61	0.01%
OTRO	11,815	1.46%
SEGURO SOCIAL	41,581	5.14%
VIA PUBLICA	25,316	3.13%

datos %>%
  count(ocur) %>%
  drop_na() %>%
  ggplot(aes(x = reorder(ocur, n), y = n)) +
  geom_col(fill = "purple", alpha = 0.7) +
  geom_text(aes(label = comma(n)), hjust = -0.2, size = 3.5) +
  coord_flip() +
  scale_y_continuous(labels = comma) +
  labs(title = "Lugar de Ocurrencia", x = "Lugar", y = "Frecuencia") +
  theme_minimal()

6.5 Causas de Muerte (CIE-10)

datos %>%
  count(causa_capitulo) %>%
  drop_na() %>%
  arrange(desc(n)) %>%
  mutate(porcentaje = paste0(round(n / sum(n) * 100, 2), "%")) %>%
  kable(caption = "Capítulos CIE-10",
        col.names = c("Capítulo", "Frecuencia", "Porcentaje"),
        format.args = list(big.mark = ",")) %>%
  kable_styling()

Capítulos CIE-10

Capítulo	Frecuencia	Porcentaje
I	130,082	16.07%
J	91,365	11.29%
R	82,219	10.16%
E	82,080	10.14%
X	80,559	9.95%
C	77,191	9.54%
K	61,417	7.59%
A	35,787	4.42%
N	34,084	4.21%
P	29,173	3.6%
W	21,099	2.61%
G	15,760	1.95%
V	13,391	1.65%
Q	13,247	1.64%
D	11,674	1.44%
U	8,008	0.99%
F	5,744	0.71%
B	5,696	0.7%
Y	3,123	0.39%
M	3,063	0.38%
O	3,010	0.37%
L	1,463	0.18%
H	57	0.01%

datos %>%
  count(causa_capitulo) %>%
  drop_na() %>%
  ggplot(aes(x = reorder(causa_capitulo, n), y = n)) +
  geom_col(fill = "darkred", alpha = 0.7) +
  geom_text(aes(label = comma(n)), hjust = -0.2, size = 3) +
  coord_flip() +
  scale_y_continuous(labels = comma) +
  labs(title = "Defunciones por Capítulo CIE-10", x = "Capítulo", y = "Frecuencia") +
  theme_minimal()

---

7 Relaciones entre Variables

7.1 Sexo vs Lugar de Ocurrencia

datos %>%
  filter(!is.na(sexo), !is.na(ocur)) %>%
  ggplot(aes(x = sexo, fill = ocur)) +
  geom_bar(position = "fill") +
  labs(title = "Lugar de Ocurrencia por Sexo",
       y = "Proporción", x = "Sexo", fill = "Lugar") +
  scale_y_continuous(labels = percent) +
  theme_minimal() +
  theme(legend.position = "bottom")

7.2 Área vs Asistencia

datos %>%
  filter(!is.na(areag), !is.na(asist)) %>%
  count(areag, asist) %>%
  group_by(areag) %>%
  mutate(prop = n / sum(n)) %>%
  ggplot(aes(x = areag, y = prop, fill = asist)) +
  geom_col(position = "fill") +
  labs(title = "Asistencia Médica por Área", x = "Área", y = "Proporción", fill = "Asistencia") +
  scale_y_continuous(labels = percent) +
  theme_minimal() +
  theme(legend.position = "bottom")

7.3 Departamento vs Sexo

datos %>%
  filter(!is.na(depocu), !is.na(sexo)) %>%
  count(depocu, sexo) %>%
  group_by(depocu) %>%
  filter(sum(n) >= 10000) %>%
  ungroup() %>%
  ggplot(aes(x = reorder(depocu, n), y = n, fill = sexo)) +
  geom_col(position = "dodge", alpha = 0.8) +
  coord_flip() +
  scale_fill_manual(values = c("HOMBRE" = "#2c7bb6", "MUJER" = "#d7191c")) +
  scale_y_continuous(labels = comma) +
  labs(title = "Defunciones por Departamento y Sexo",
       subtitle = "Departamentos con 10,000+ casos",
       x = "Departamento", y = "Defunciones") +
  theme_minimal() +
  theme(legend.position = "top")

7.4 Top Departamentos

datos %>%
  count(depocu) %>%
  drop_na() %>%
  arrange(desc(n)) %>%
  head(15) %>%
  mutate(porcentaje = n / sum(n) * 100) %>%
  ggplot(aes(x = reorder(depocu, n), y = n)) +
  geom_col(fill = "darkgreen", alpha = 0.8) +
  geom_text(aes(label = paste0(comma(n), "\n(", round(porcentaje, 1), "%)")), 
            hjust = -0.1, size = 3) +
  coord_flip() +
  scale_y_continuous(labels = comma, limits = c(0, max(datos %>% count(depocu) %>% pull(n), na.rm = TRUE) * 1.15)) +
  labs(title = "Top 15 Departamentos", x = "Departamento", y = "Defunciones") +
  theme_minimal()

7.5 Correlaciones

set.seed(42)
datos %>%
  select(edad_anios, anoreg, diaocu) %>%
  drop_na() %>%
  slice_sample(n = min(1000, nrow(.))) %>%
  ggpairs(aes(alpha = 0.4)) +
  theme_minimal()

7.6 Evolución por Sexo

datos %>%
  filter(!is.na(anoreg), !is.na(sexo)) %>%
  count(anoreg, sexo) %>%
  ggplot(aes(x = anoreg, y = n, color = sexo)) +
  geom_line(size = 1.5) +
  geom_point(size = 3) +
  scale_color_manual(values = c("HOMBRE" = "#2c7bb6", "MUJER" = "#d7191c")) +
  scale_x_continuous(breaks = seq(min(datos$anoreg, na.rm = TRUE), 
                                   max(datos$anoreg, na.rm = TRUE), 1)) +
  scale_y_continuous(labels = comma) +
  labs(title = "Evolución de Defunciones por Sexo", x = "Año", y = "Defunciones") +
  theme_minimal() +
  theme(legend.position = "top")

---

8 Conclusiones

8.1 Hallazgos Principales

Variables Numéricas:

• Edad promedio: ~53.6 años
• Distribución bimodal (infantil y adulto mayor)
• Incremento notable 2020-2021

Variables Categóricas:

• Mayor mortalidad masculina (~59%)
• Concentración urbana
• Causas mal definidas predominantes

Relaciones:

• Área geográfica asociada con asistencia médica
• Departamentos poblados concentran más casos absolutos
• Patrón consistente de mayor mortalidad masculina

---

sessionInfo()

## R version 4.3.1 (2023-06-16 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19045)
## 
## Matrix products: default
## 
## 
## locale:
## [1] LC_COLLATE=Spanish_Guatemala.utf8  LC_CTYPE=Spanish_Guatemala.utf8   
## [3] LC_MONETARY=Spanish_Guatemala.utf8 LC_NUMERIC=C                      
## [5] LC_TIME=Spanish_Guatemala.utf8    
## 
## time zone: America/Guatemala
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] scales_1.4.0     kableExtra_1.4.0 stringi_1.8.7    GGally_2.4.0    
##  [5] janitor_2.2.1    lubridate_1.9.4  forcats_1.0.1    stringr_1.6.0   
##  [9] dplyr_1.1.4      purrr_1.0.4      readr_2.1.5      tidyr_1.3.1     
## [13] tibble_3.2.1     ggplot2_4.0.1    tidyverse_2.0.0 
## 
## loaded via a namespace (and not attached):
##  [1] sass_0.4.9         utf8_1.2.3         generics_0.1.4     xml2_1.3.8        
##  [5] hms_1.1.3          digest_0.6.37      magrittr_2.0.3     evaluate_1.0.5    
##  [9] grid_4.3.1         timechange_0.3.0   RColorBrewer_1.1-3 fastmap_1.2.0     
## [13] jsonlite_2.0.0     fansi_1.0.4        viridisLite_0.4.2  jquerylib_0.1.4   
## [17] cli_3.6.1          crayon_1.5.2       rlang_1.1.5        bit64_4.6.0-1     
## [21] withr_3.0.2        cachem_1.1.0       yaml_2.3.10        parallel_4.3.1    
## [25] tools_4.3.1        tzdb_0.5.0         ggstats_0.12.0     vctrs_0.6.5       
## [29] R6_2.5.1           lifecycle_1.0.3    snakecase_0.11.1   bit_4.6.0         
## [33] vroom_1.6.5        pkgconfig_2.0.3    pillar_1.9.0       bslib_0.9.0       
## [37] gtable_0.3.6       glue_1.6.2         systemfonts_1.2.2  xfun_0.52         
## [41] tidyselect_1.2.1   rstudioapi_0.18.0  knitr_1.51         farver_2.1.2      
## [45] htmltools_0.5.8.1  labeling_0.4.3     rmarkdown_2.30     svglite_2.1.3     
## [49] compiler_4.3.1     S7_0.2.0